Metody klasifikace obrazů u kolonoskopie na základě metod umělé inteligence s využitím anatomických orientačních značek

Abstract

Tato diplomová práce se zabývá klasifikací obrazových dat prostřednictvím neuronových sítí. Pro klasifikaci obrazových dat byly použity dvě již existující konvoluční neuronové sítě nazývající se ResNet18 a GoogleNet. Obě sítě byly trénovány a testovány na endoskopických obrazech dostupných online. Obrazy byly rozděleny do klasifikačních tříd zkušenými lékaři, dohromady bylo vytvořeno 8 klasifikačních tříd. Dataset byl testován jako celek, dále pak byl rozdělen na anatomické a patologické nálezy, dohromady bylo tedy učení neuronových sítí realizováno na 3 různých datasetech. V tréninkové množině bylo 60 % obrazů, 40 % sloužilo k validaci. Učící procesy byl realizovány v 5, 10, 20 a 30 epochách, rychlost učení byla nastavena na hodnotu 0,001. Výsledky sítí byly vyhodnoceny zvlášť v každém datasetu pro všechna nastavení, následně byly srovnány na základě přesnosti validace, senzitivity a specificity. V oblasti anatomických orientačních značek a kompletním datasetu byla přesnější klasifikace pomocí konvoluční neuronové sítě ResNet18, síť GoogleNet pak byla přesnější v oblasti klasifikace patologických nálezů.

Thesis is focused on Image classification using convolutional neural networks. Two pre-existing convolutional neural networks ResNet18 and GoogleNet were used for image classification. Both neural networks were trained and tested on the same endoscopic images. Experienced endoscopists classified images into classification classes and created eight classes. Image data were used as complete database then divided into anatomical landmarks and pathological findings. 60 % of Images were used for training, 40 % of images were used for validation. Learning processes were set to 5, 10, 20 and 30 epochs, learning rate was set to 0,001. The results were analyzed separately for each dataset and for each settings. Values of validation accuracy, sensitivity and specificity were criteria for comparison. GoogleNet had highest accuracy in cathegory pathological findings. ResNet18 was more successful in the rest of cathegories.